Sign in Subscribe
Narut Soontranon

Narut Soontranon

Data Science | AI | Machine Learning | Deep Learning
AI Guardrails: เมื่อ Prompt ไม่พอที่จะควบคุม AI

AI Guardrails: เมื่อ Prompt ไม่พอที่จะควบคุม AI

ถ้าอยากให้ AI ทำงานถูกต้อง ก็แค่เขียน Prompt ให้ดีขึ้น? แต่ในระบบ Production จริง ๆ Prompt อย่างเดียวอาจไม่พอ เพราะ LLM เป็นระบบที่มีความไม่แน่นอน และสามารถสร้าง Output ที่คาดไม่ถึงได้ แม้จะกำหนดคำสั่งไว้อย่างละเอียด เป็นเหตุผลที
Narut Soontranon
ทำไม AI ยุคใหม่ไม่ได้มีแค่ LLM? รู้จัก 5 Components สำคัญ

ทำไม AI ยุคใหม่ไม่ได้มีแค่ LLM? รู้จัก 5 Components สำคัญ

AI ไม่ได้มีแค่ LLM LLM คือ สมอง แต่การทำให้ AI “รู้ข้อมูล ใช้เครื่องมือ และลงมือทำ” ต้องอาศัยหลาย Components LLM → RAG → Agent → Tool Calling → MCP แต่ละตัวทำหน้าที่ต่างกัน และเมื่อเชื่อมต่อกันจึงกลายเป็น AI System ที
Narut Soontranon
AI Cold Start: ทำไม AI บางครั้ง คิดนาน ก่อนตอบ

AI Cold Start: ทำไม AI บางครั้ง คิดนาน ก่อนตอบ

บางครั้ง เรา Prompt ไปแล้ว AI เงียบไปหลายวินาที ก่อนจะเริ่มตอบ ทั้งที่ Request ครั้งต่อไปกลับเร็วขึ้นมาก อาจไม่ใช่เรื่องของ Model ที่คิดช้า แต่เป็นปัญหาที่เรียกว่า AI Cold Start 1. Model Loading ก่อนที่ Model จะเริ่ม Inference
Narut Soontranon
AI Cache: ทำไมการจำผลลัพธ์ AI อาจสำคัญกว่าการรัน Model ซ้ำ

AI Cache: ทำไมการจำผลลัพธ์ AI อาจสำคัญกว่าการรัน Model ซ้ำ

ในการทำ AI ให้เร็วขึ้น เรามักคิดถึง Model ที่เร็วขึ้น หรือ GPU ที่แรงขึ้น แต่ใน Production จริง ๆ วิธีที่เร็วที่สุดอาจเป็นการ ไม่ต้องรัน Model เลย เป็นแนวคิดของ AI Cache แทนที่จะส่งคำถามเดิมเข้
Narut Soontranon
Context Engineering: เมื่อ AI ต้องเข้าใจ “สถานการณ์” ไม่ใช่แค่คำสั่ง

Context Engineering: เมื่อ AI ต้องเข้าใจ “สถานการณ์” ไม่ใช่แค่คำสั่ง

ในปัจจุบันการใช้ AI อย่างมีประสิทธิภาพกำลังเปลี่ยนจาก Prompt Engineering ไปสู่ Context Engineering เพราะการบอก AI ว่า “ทำอะไร” อาจไม่เพียงพออีกต่อไป แต่ AI ต้องรู้ด้วยว่า กำลังทำงานอะไร อยู่ในสถานการณ์ไหน และควรใช้ข้อมูลอะไรประกอบการตัดสินใจ Context ของ AI อาจประกอบด้วย
Narut Soontranon
AI Technical Debt: เมื่อ AI ที่สร้างเร็ว กลายเป็นหนี้ทางเทคนิค

AI Technical Debt: เมื่อ AI ที่สร้างเร็ว กลายเป็นหนี้ทางเทคนิค

ช่วงแรกของการสร้าง AI ทุกอย่างเป็นเรื่องง่าย เลือก Model → เขียน Prompt → เชื่อมต่อ API → Deploy แต่เมื่อระบบเริ่มมีผู้ใช้มากขึ้น สิ่งที่เคย ทำเสร็จเร็ว อาจกลายเป็น Technical Debt ที่ทำให้ระบบแก้ยาก แพงขึ้น และเสี่ยงต่อการพัฒนาในอนาคต Technical
Narut Soontranon
AI Reliability Engineering: เมื่อ AI ทำงานบน Production System

AI Reliability Engineering: เมื่อ AI ทำงานบน Production System

เมื่อ AI ถูกนำไปใช้จริง คำถามจะเปลี่ยนจาก “AI ตอบได้ไหม?” เป็น “AI ทำงานได้อย่างสม่ำเสมอและเชื่อถือได้แค่ไหน?” เป็นสิ่งที่ AI Reliability Engineering เข้ามามีบทบาท ระบบ AI บน Production ต้องออกแบบให้รับมือกับความผิดพลาดหลายรูปแบบ เช่น Model timeout, API ล่
Narut Soontranon